MétaCan
Menu
Retour à la cohorte
Enregistrement W2051357690 · doi:10.1088/0031-9155/53/22/018

Viscoelastic characterization of soft tissue from dynamic finite element models

2008· article· en· W2051357690 sur OpenAlexafffund
Hani Eskandari, Septimiu E. Salcudean, Robert Rohling, Jacques Ohayon

Notice bibliographique

RevuePhysics in Medicine and Biology · 2008
Typearticle
Langueen
DomaineMedicine
ThématiqueUltrasound Imaging and Elastography
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésViscoelasticityElasticity (physics)RheologyFinite element methodRheometryUniquenessInverse problemInverseMathematicsMathematical analysisMechanicsMaterials sciencePhysicsThermodynamicsGeometryComposite material

Résumé

récupéré en direct d'OpenAlex

An iterative solution to the inverse problem of elasticity and viscosity is proposed in this paper. A new dynamic finite element model that is consistent with known rheological models has been derived to account for the viscoelastic changes in soft tissue. The model assumes known lumped masses at the nodes, and comprises two vectors of elasticity and viscosity parameters that depend on the material elasticity and viscosity distribution, respectively. Using this deformation model and the observed dynamic data for harmonic excitation, the inverse problem is solved to reconstruct the viscosity and elasticity in the medium by using a Gauss-Newton-based approach. As in other inverse problems, previous knowledge of the parameters on the boundaries of the medium is necessary to assure uniqueness and convergence and to obtain an accurate map of the viscoelastic properties. The sensitivity of the solutions to noise, model and boundary conditions has been studied through numerical simulations. Experimental results are also presented. The viscosity and elasticity of a gelatin-based phantom with inclusion of known properties have been reconstructed and have been shown to be close to the values obtained using standard rheometry.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,895
Score d'incertitude au seuil0,302

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,080
Tête enseignante GPT0,335
Écart entre enseignants0,254 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations50
Publié2008
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePhysics in Medicine and BiologyMême sujetUltrasound Imaging and ElastographyTravaux en français237 207